端到端可学习的多样性感知新闻推荐
信息检索
2022-04-04 v1
摘要
多样性是提供高质量个性化新闻推荐的重要因素。然而，大多数现有新闻推荐方法仅旨在优化推荐准确率而忽略多样性。重排序是一种广泛使用的后处理技术，用于提升头部推荐结果的多样性。但推荐模型并不完美，错误可能在级联推荐算法中被传播与放大。此外，推荐模型本身不具备多样性感知能力，难以在推荐准确率与多样性间取得良好权衡。本文提出一种名为 LeaDivRec 的新闻推荐方法，它是一个完全可学习的模型，能以端到端方式生成多样性感知的新闻推荐。与通常基于点级或成对排序的现有新闻推荐方法不同，LeaDivRec 中我们提出一种更有效的列表级新闻推荐模型。具体而言，我们提出一种排列 Transformer 以考虑候选新闻间的相关性，同时能为相似候选新闻学习不同表示以帮助提升推荐多样性。我们还提出一种有效的列表级训练方法以学习准确的排序模型。此外，我们提出一种多样性感知正则化方法，进一步鼓励模型做出可控的多样性感知推荐。在两个真实世界数据集上的广泛实验验证了我们的方法在平衡推荐准确率与多样性上的有效性。
引用
@article{arxiv.2204.00539,
title = {End-to-end Learnable Diversity-aware News Recommendation},
author = {Chuhan Wu and Fangzhao Wu and Tao Qi and Yongfeng Huang},
journal= {arXiv preprint arXiv:2204.00539},
year = {2022}
}